近年来,随着全球经济竞争的不断加剧,环境法规的日益严格,技术经济指标的不断提高以及不可再生资源的日趋减少等,化学工业的体系结构发生了巨大的变化,过程系统工程的内涵和外延得以不断拓宽,从产品开发到供应链管理,均需关注,且需在各层面展开优化研究。随着产品工程、分子工程、绿色过程系统集成和多尺度建模等新理念融入传统的化学工程学科,所建的优化模型势必越益复杂,可包含非线性、动态、组合、多目标和不确定性等多种特性,给优化带来诸多困难,常规优化方法往往难以胜任,因此对高效智能优化方法的需求日益迫切。群智能优化方法是一个新兴的研究领域,为复杂优化问题的求解提供了一个有效手段,已引起相关领域学者的广泛关注。蚁群算法和粒子群算法分别在组合优化和连续优化领域获得了广泛的成功应用,但在化学化工领域的应用则起步较晚,研究成果相对较少,且在处理包含约束、动态和多目标等特性的优化问题时,缺乏有效机制。拓展与改造现有的群智能优化方法使之适于不同类型的优化问题,并扩大它们在化学化工领域的应用,是本文研究的主要内容。本文针对蚁群算法仅适于离散问题的不足,提出了三种连续化策略;并对所提的连续蚁群算法予以拓展,进行多方面的改造,使之适于处理含多目标、动态和约束等特性的优化问题;通过对实际化学化工问题的优化实践,表明拓展与改进的蚁群算法具有良好的适应性和全局优化性能,在过程系统优化领域具有巨大的应用潜力。此外,本文还对粒子群算法进行拓展与改造,使之适于处理混合整数非线性规划和动态多目标优化问题,并用于过程综合案例和生化反应器的动态多目标优化问题。本文的主要研究工作与相关成果可归纳如下:[1]针对传统蚁群算法仅适于离散问题的不足,本文提出三种连续化策略,分别为基于实体的、基于募集机制的和基于模型的。基于实体的蚁群算法以遗传操作方式进行全局搜索,并引入powell算子用于局部挖掘,构建为杂交蚁群系统,已成功用于2-氯苯酚超临界水氧化的动力学参数估计。基于募集机制的蚁群算法引入成群和海量两种募集操作实现正反馈,结合厌食现象实现负反馈,构建为MG-CACO,已成功用于二甲苯异构化装置的单目标操作优化。本文还拓展与改进MG-CACO,提出三条启发式规则评价约束意义下的食物源优劣,并改造海量募集和信息素更新操作,构建为MG-CCACO,已成功用于丁烯烷基化过程的约束优化;综合考虑被支配度和分散度,抽提启发式规则评价多目标意义下的食物源优劣,设置优解库用于保留和更新非劣解集,构建为MG-MOCACO,已成功用于二甲苯异构化装置的多目标操作优化。基于模型的蚁群算法采用混合正态分布描述信息素,引入Pareto和免疫系统的浓度概念评价约束多目标意义下的食物源优劣,利用优解库和种群信息更新信息素,以拥挤度指标更新优解库,构建为基于免疫机制的多目标蚁群算法,已成功用于问歇过程的约束动态多目标优化。[2]以规则表示的知识易于理解和专业解释,但规则提取难度大,对连续属性常需离散化。本文提出两种方法用于规则提取,其一将规则提取构建为连续优化模型,并应用MG-CACO予以优化,适于连续属性问题,并融入集成策略构建为集成分类器系统,已成功用于橄榄油产地判别分类研究;其二与粗糙集理论(RST)相结合,基于构建样本区分表,将属性离散化和约简归结为双目标优化问题,提出一种基于妥协的蚁群算法(CACA)予以求解,一并解决RST的2个NP难问题。CACA动态计算启发式信息,融入冗余列移除和局部搜索操作,依概率轮流调用两种信息素更新操作,已成功用于两个毒性作用机制分类问题。[3]针对粒子群算法缺乏约束、离散变量和多目标处理机制的不足,提出两种改进策略,分别适于MINLP,与动态多目标优化问题。(a)引入Pareto概念评价约束矩阵,增设基于距离的概率取整操作,利用各粒子的局部最优点更新速度,并采用多子群策略,构建为混合粒子群算法,已成功用于6个过程综合案例;(b)引入Pareto概念评价多目标解的优劣,以分散度指标更新优解库,构建为多目标粒子群算法,已成功用于外源蛋白补料分批动态多目标优化。